Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Disenio Experimentos
Disenio Experimentos
1.
Introduccin.(2 hrs).
2.
3.
4.
5.
6.
7.
8.
9.
Bloques incompletos.(4)
10.
Factoriales fraccionados.(4)
11.
12.
INTRODUCCION
1.
2.
3.
4.
5.
6.
Establecer el problema.
2.
Formular la hiptesis.
3.
4.
5.
6.
Concluir.
En base
clasifican como:
1.
2.
Ho Verdadera
Error tipo I
Confiabilidad
Ho Falsa=Ha Verdadera
Poder de la prueba
Error tipo II
2.
2.
3.
4.
5.
6.
Toma de decisin-
7.
Conclusin-
Diseo experimental.
2.
Diseo de muestreo.
fuertemente
por la
metodologa
estadstica, desde
el
bajo
condiciones
controladas
para
descubrir
un
efecto
2.
3.
4.
5.
6.
7.
Variables de entrada.
2.
Variables de salida.
Las variables de entrada son todas aquellas variables a las que esta
expuesta la unidad experimental. Comprende los siguientes grupos de
variables:
1.
Factores experimentales.
2.
Factores de bloqueo.
3.
Factores de ruido.
4.
5.
Variables no controladas.
Factores experimentales:
incluye
varios
factores
(experimento
multifactorial),
Cualitativos o categricos.
2.
Cuantitativos o continuos.
Factores fijos.
2.
Factores aleatorios.
Los factores fijos son aquellos en los que la seleccin de los niveles esta
basada en el inters del investigador, quien decide cuales son los que
deben incluirse en el experimento. Para este tipo de factores las
conclusiones estn restringidas al rango de niveles seleccionados, para
factores continuos, o estrictamente para los niveles seleccionados en
caso de los factores cualitativos.
Los factores aleatorios son aquellos en donde los niveles del factor se
seleccionan de una poblacin de niveles de una manera aleatoria. Para
este tipo de factores el inters esta centrado en investigar la variabilidad
que genera el cambio en los niveles de este factor.
Para los experimentos multifactoriales, los factores se clasifican de
acuerdo a la relacin que guardan los niveles de los factores en:
1.
2.
unidades
experimentales:
Proximidad
de
unidades
Repeticin.
2.
Aleatorizacion.
2.
dentro de la cual se puede ubicar el error, por lo que la estructura del modelo
quedara como:
RESPUESTA = SISTEMTICA + ALEATORIA
En la parte sistemtica se incluira entonces los factores experimentales y los
factores de bloqueo, en tanto que en la parte aleatoria se incluiran los efectos
aleatorios y el error experimental.
EL DISEO COMPLETAMENTE AL AZAR
Es el arreglo geomtrico ms simple, en el que se supone que tanto las
unidades experimentales como el ambiente fsico en el que se lleva a cabo el
experimento son totalmente homogneos, uniformes, sin cambio, lo cual
representara un ambiente controlado y un material experimental estable. Bajo
estas condiciones ideales solo quedara por definir los factores experimentales
y sus niveles para determinar los tratamientos o condiciones experimentales
que van a ser investigadas. Por esta razn, el nico efecto incluido en el
modelo bajo este diseo, es precisamente el efecto de los tratamientos, que
sera la nica fuente de variacin identificable en este experimento.
Como puede ser sospechado, difcilmente se van a cubrir los requisitos para
poder aplicar este diseo, por lo que en la prctica solo se recomienda para
condiciones muy controladas, como es el caso de experimentos de laboratorio.
Aleatorizacion: Ya que las unidades experimentales y las condiciones fsicas
en las que se va a llevar a cabo el experimento son muy homogneas,
entonces el mecanismo de asignacin de tratamientos a las unidades
experimentales es completamente al azar, lo cual se puede lograr mediante la
aplicacin de cualquier mtodo de sorteo aleatorio. Puede ser mediante el uso
de nmeros aleatorios, mediante seleccin aleatoria de nmeros asociados a
unidades experimentales y aplicacin secuencial de tratamientos. Si en
realidad las unidades experimentales son muy homogneas, entonces
cualquier nmero de subgrupos generados al azar van a ser tambin muy
similares, lo cual asegura una comparacin muy justa de los tratamientos. Este
diseo, es una generalizacin, para comparar ms de dos tratamientos, de la
Yij = + ij
Al que se le llama el modelo reducido. Para probar esta hiptesis el
razonamiento que se sigue es evaluar la magnitud de los errores en ambos
modelos y determinar que tanto impacto tienen los efectos de tratamiento. Si la
reduccin en los errores es importante, entonces el efecto de los tratamientos
se declara significativo. Por el contrario, si la magnitud de los errores
prcticamente es la misma en ambos modelos, esto significa que los efectos de
tratamiento no contribuyen a explicar la respuesta, y por lo tanto son
declarados no significativos.
Anlisis de los datos: El anlisis de los datos de un diseo experimental
siempre se lleva a cabo mediante la tcnica del anlisis de varianza. Para
aplicar esta tcnica se requiere del ajuste de los dos modelos al mismo
conjunto de observaciones, el completo y el reducido bajo la hiptesis nula,
para despus comparar la magnitud de los errores obtenida en ambos
modelos.
El ajuste de un modelo consiste en estimar sus parmetros, es decir todos
aquellos componentes del modelo que no incluyan la secuencia completa de
subndices usada en la variable de respuesta. En otras palabras, el nico
componente que no se estima en el ajuste del modelo es el que corresponde al
error experimental.
En el ajuste del modelo se deben tener en cuenta las siguientes caractersticas
tanto del conjunto de observaciones como del modelo que se desea ajustar:
1.
2.
3.
2.
3.
4.
5.
6.
7.
Mientras mas reducido sea el modelo ajustado, esto es, mientras menor
c).
Grados de libertad
t-1
n-t
n-1
Suma de cuadrados
Diferencia.
S.C.E. modelo completo
S.C.E. modelo reducido
77.4
76.7
78.2
84.1
84.5
83.7
88.9
89.2
89.7
94.8
94.7
95.9
Dos patrones son los que deben ser observados en una grafica exploratoria:
1.
2.
observaciones
deben
ser
cuidadosamente
tratadas
513.116667
Promedio de los
Probabilida Valor crtico
cuadrados
F
d
para F
170.152222 511.736007 1.7736E-09 4.06618056
0.3325
11
3.2
3.3
100%
Coeficiente de determinacin
R-Cuadrado = 510.456667100
= 99.4816
513.116667
Lo que significa que el 99.48 % de la variacin en el conjunto de observaciones
esta siendo explicado por la variacin en la temperatura y solo el 0.52 % se
debe a los factores de error.
La varianza del error lo constituye el cuadrado medio del error y la desviacin
del error se calcula como la raz cuadrada de la varianza, siendo en este caso
S = 0.5679
La probabilidad mayor de un valor de F es lo que se denomina el valor de P o
nivel de significancia observado, valor que nos permite tomar una decisin
sobre la hiptesis acerca del efecto de los tratamientos. En este caso el valor
es
P = 1.7736E-09
Aun cuando parece mayor que uno, el componente E-09 indica que hay ocho
cero antes de la parte entera, lo que representa un valor muy inferior al 0.05
que consideramos como nivel de significancia de la prueba, por lo cual la
hiptesis nula es rechazada, y por lo tanto se concluye que los tratamientos si
tienen un efecto significativo sobre la respuesta.
Ya que se trata de un factor cuantitativo, la mejor manera de investigar el efecto
de los tratamientos es a travs de una regresin polinomial, checando hasta
que nivel de tendencia llega a ser significativa.
Ejemplo numrico 2: Los datos siguientes se refieren a las perdidas de peso
de ciertas piezas mecnicas (en miligramos) debidas a la friccin cuando tres
diferentes lubricantes se utilizaron en condiciones controladas. El lubricante C
es el que se ha estado usando en el proceso, y ahora se desea evaluar dos
nuevas posibilidades, el lubricante A y el lubricante B.
Lubricante
A
A
A
A
A
A
A
A
B
B
B
B
B
B
B
B
C
C
C
C
C
C
C
C
Desgaste
12.2
11.8
13.1
11
3.9
4.1
10.3
8.4
10.9
5.7
13.5
9.4
11.4
15.7
10.8
14
12.7
19.9
13.6
11.7
18.3
14.3
22.8
20.4
Anlisis exploratorio:
507.389583
Promedio de los
Probabilida Valor crtico
cuadrados
F
d
para F
115.292917 8.74681521 0.00172472 3.46680011
13.181131
23
R-Cuadrado = 0.4544
Lo que significa que los lubricantes explican el 45 % de la variacin en el
conjunto de datos. El 55 % se debe a factares no considerados en la
investigacin.
Desviacin estndar = 3.6306 que es el promedio del error en nuestro conjunto
de datos bajo el modelo completo.
Error estndar del la media = 1.2836
Lo que viene a confirmar el patrn de similitud en la variacin de desgaste
dentro de cada lubricante, al obtener un error estndar muy similar a partir del
anlisis de varianza, con los ya obtenidos para cada lubricante por separado.
Valor de P = 0.0017
Que por ser menor al nivel de significancia de la prueba (0.05) se toma la
decisin de rechazar Ho y concluir que las medias de desgaste en los tres
lubricantes no son iguales. Esto implica que el lubricante entonces si tiene un
impacto en el nivel de desgaste, por lo cual debemos investigar el patrn de
variacin entre lubricantes y poder llegar a tomar una decisin acerca de cual
lubricante es el mas conveniente para conservar las piezas de la maquinaria.
MTODOS PARA IDENTIFICAR PATRONES DE VARIACIN POR
TRATAMIENTOS
El mtodo para factores cuantitativos es la regresin y para factores cualitativos
es la comparacin de medias. Ambos procedimientos se pueden llevar a cabo
por sus mtodos muy particulares o bien, bajo condiciones muy especificas,
ambos se pueden llevar a cabo por medio de los contrastes ortogonales.
Vamos a revisar primero los mtodos especficos para cada tipo de factor y
posteriormente se discutir el enfoque general de contrastes ortogonales.
REGRESIN:
La regresin es una metodologa de anlisis estadstico muy general,
que aplica cuando se quiere investigar la relacin que guardan una variable
dependiente con una o mas variables independientes. La regresin es muy
extensa, y aqu solo nos limitaremos, en este punto, a la regresin lineal de tipo
polinomial en una variable independiente.
Los modelos de regresin polinomial se caracterizan por la potencia en
la variable independiente. Como se muestra en la siguiente tabla los modelos
de mas importancia son:
Grado
Lineal
Cuadrtico
Modelo
Yij=o + 1Xij + ij
Yij = o + 1 Xij + 2 X2ij + ij
Descripcin
Lnea
Parbola
Intercepto
Temperatur
Coeficiente
Error
Estadstico Probabilida
Inferior
Superior
s
Estandar
t
d
95%
95%
60.2633333 0.74439685 80.9559223 2.0211E-15 58.6047138 61.9219529
0.11653333 0.00321082 36.2940036 5.9937E-12 0.10937919 0.12368748
Suma de
cuadrados
509.250667
3.866
513.116667
Promedio de los
cuadrados
F
509.250667 1317.2547
0.3866
Valor crtico
de F
5.9937E-12
anlisis de varianza para probar el efecto de los tratamientos. Para tal fin
debemos considerar los siguientes clculos:
G.L.Trat G.L.Reg.Lin = 3 1 = 2 que representan los grados de libertad
asociados a la tendencia cuadrtica y cbica que pueden ser ajustados a este
conjunto de datos por haber 4 niveles en la variable independiente.
S.C.Trat S.C.Reg.Lin = 510.4566 509.2507 = 1.2059 que corresponde a la
suma de cuadrados debida a la tendencia cuadrtica mas la suma de
cuadrados debida a la tendencia cbica. Esta suma de cuadrados con los dos
grados de libertad asociados, se le conoce como falta de ajuste.
Esta informacin puede ser anexada en una tabla de anova con separacion de
tendencias por efecto de los tratamientos.
ANLISIS DE VARIANZA
Origen de las
Suma de
Grados de
variaciones
cuadrados
libertad
Entre grupos
510.456667
3
Separacion
Tendencia
Lineal
509.2507
1
Falta de Ajuste
1.2059
2
Dentro de los
grupos
Total
2.66
513.116667
11
Promedio de los
cuadrados
170.152222
F
511.736007
509.2507 1531.581053
0.6029
1.813230
0.3325
5.3176
4.4589
En este punto vamos a considerar solo uno de los mtodos, que es el de uso
mas frecuente en la literatura cientfica, conocido como la prueba honesta de
Tukey. Este procedimiento fue diseado para experimentos balanceados,
donde cada tratamiento tiene un numero de repeticiones igual a r.
El procedimiento para aplicar la prueba de Tukey consiste de los siguientes
pasos:
1.
2.
3.
4.
5.
calcula
la media
Cuenta
A
B
C
8
8
8
Suma
74.8
91.4
133.7
Promedio
Varianza
9.35 12.8542857
11.425 9.53642857
16.7125 17.1526786
Tendencia
Lineal
Lineal
Cuadrtica
Lineal
Cuadrtica
Cbica
Lineal
Cuadrtica
Cbica
Cuarto
Primer
Nivel
Segndo
Nivel
-1
-1
1
-3
1
-1
-2
2
-1
1
Cuarto
Tercer Nivel Nivel
1
0
-2
-1
-1
3
-1
-1
2
-4
1
1
1
-1
-3
0
-2
0
6
Quinto Nivel
3
1
1
1
-1
-2
-4
2
2
1
1
150
77.4333333
-3
1
-1
-232.3
77.4333333
77.4333333
200
250
300
84.1 89.2666667 95.1333333
-1
1
3
-1
-1
1
3
-3
1
-84.1 89.2666667
285.4 58.2666667
-84.1 89.2666667 95.1333333
-0.8
252.3
-267.8 95.1333333
2.2
ortogonales
para
comparacin
de
medias:
Para
factores
2.
Testigo (cerdo)
3.
4.
Una vez que los contrastes ortogonales han sido planeados, debemos checar
el requisito de que el experimento este balanceado, y si es as debemos
obtener los coeficientes para cada uno de los contrastes. La mecnica para el
calculo de los coeficientes es la siguiente:
1.
2.
9.35
1
1
11.425
1
-1
16.7125 Suma
-2
-12.65
0
-2.075
9.35
11.425
-33.425
A vs. B
9.35
-11.425
Suma de
cuadrados
230.585833
213.363333
17.222500
276.80375
Grados de
libertad
507.389583
2
1
1
21
Promedio de los
cuadrados
F
115.292917 8.74681521
213.363333 16.1872773
17.222500 1.3066026
13.181131
23
2.
2.
Aleatorizacion: Una vez que los bloques han sido formados, con unidades
experimentales lo mas parecido posible en cuanto a la variable de bloqueo,
cada bloque se considera como un grupo muy homogneo de unidades
experimentales, pero con un alto grado de variacin entre bloques. La forma de
asignar
tratamientos
las
unidades
experimentales
es
al
azar
2.
Grados de libertad
b-1
t-1
(t-1)(b-1)
n-1
Suma de cuadrados
Diferencia (1)
Diferencia (2).
S.C.E. modelo completo
S.C.E. modelo reducido
Yij = + ij
2.
Yij = + j + ij
3.
Yij = + i + j + ij
Yij = + ij
2.
Yij = + j + ij
3.
Yij = + i + ij
4.
Yij = + i + j + ij
de cuadrados del error del modelo 4. La suma de cuadrados ajustada para los
efectos de tratamiento se calculara por la diferencia en las sumas de
cuadrados de los errores del modelo (2) menos la del modelo (4).
Cuando el diseo esta balanceado estas sumas de cuadrados coinciden. Las
diferencias se presentan cuando el diseo esta desbalanceado, y en este caso
se deben considerar para la prueba de hiptesis las sumas de cuadrados
ajustadas.
Ejemplos Numricos.
1.
Aislante
1
2
3
R.G. 1
19.2
11.7
6.7
R.G. 2
12.8
6.4
2.9
R.G. 3
16.3
7.3
4.1
R.G. 4
12.5
6.2
2.8
313.6825
11
El siguiente paso es detectar cuales son las diferencias entre los aislantes.
Ya que nada es especificado acerca de la naturaleza de los aislantes, lo
nico que procede es una comparacin de todas contra todas las medias,
usando la prueba honesta de Tukey.
Construimos primero las medias de la variable perdida de energa por
aislante:
RESUMEN
Aislante 1
Aislante 2
Aislante 3
Repeticione
s
4
4
4
Suma
60.8
31.6
16.5
Promedio
Varianza
15.2 10.0866667
7.9 6.64666667
4.125 3.29583333
4.125 (3)
7.9 (2)
15.2 (1)
(1)-(3) = 11.075 *
(1)-(2) = 7.3 *
Producto
convencional
50n
100n
50n+75p
100n+75p
Zona 1
Zona 2
Zona 3
Zona 4
Zona 5
7.6
7.3
6.9
10.8
9.6
8.1
7.7
6
11.2
9.3
7.3
7.7
5.6
12
9
7.9
7.7
7.4
12.9
10.6
9.4
8.2
7
11.6
10.4
Origen de
las
variaciones
Tratamientos
Bloques
Error
Total
Promedio
Suma de
Grados de
de los
Probabilida
cuadrados
libertad
cuadrados
F
d
80.0384
4
20.0096 66.1255783 9.5744E-10
4.9544
4
1.2386 4.09319233 0.01796691
4.8416
16
0.3026
89.8344
24
2.
50 de n contra 100 de n.
3.
0 de p contra 75 de p.
4.
Efecto cruzado de n y p.
50n vs.
100n
4
-1
-1
-1
-1
0
-1
1
-1
1
efecto
0 p vs. 75 p cruzado
0
0
-1
1
-1
-1
1
-1
1
1
Promedio
Suma de
Grados de
de los
Probabilida
cuadrados
libertad
cuadrados
F
d
80.0384
4
20.0096 66.1255783 9.5744E-10
Testigo vs.
tratados
50 n vs. 100
n
0 p vs 75 p
Efecto
cruzado
Bloques
Error
Total
3.1329
(1)
3.1329
10.3532
0.00431
11.7045
64.4405
(1)
(1)
11.7045
64.4405
38.6797
212.9560
4.4895E-06
3.9922E-12
0.7605
4.9544
4.8416
(1)
4
16
89.8344
24
0.7605
2.5132 0.12858022
1.2386 4.09319233 0.01796691
0.3026
2.
3.
4.
5.
3.
paja picada
paja molida
tratada
amonio
tratada urea
bloque 1
bloque 2
bloque 3
bloque 4
bloque 5
bloque 6
32.68
36.22
36.36
40.95
34.99
33.89
35.9
38.73
37.55
34.64
37.36
34.35
49.43
46.58
53.5
42.82
52.86
45.41
45
45.08
47.2
43.81
49.76
47.4
Bloque 1
Bloque 2
Bloque 3
Bloque 4
Espac 18
33.6
37.1
34.1
34.6
Espac 24
31.1
34.5
30.5
32.7
Espac 30
33
29.5
29.2
30.7
Espac 36
28.4
29.9
31.6
32.3
Espac 42
31.4
28.3
28.9
28.6
Bloque 5
Bloque 6
35.4
36.1
30.7
27.9
30.7
27.9
28.1
26.9
29.6
33.4
Idealmente, los bloques representan influencias que uno esperara que solo
incrementaran o disminuyeran el nivel general de respuesta, es decir,
constituiran un efecto puramente aditivo. Si los efectos de bloques y
tratamientos no fueran aditivos, un efecto cruzado entre bloques y
tratamientos ocurrira, lo cual es reflejado por un efecto diferencial de
tratamiento por bloque. Esto significa, que para algunos tratamientos un
bloque favoreciera la respuesta de inters, mientras que para otros bloques
la respuesta seria favorecida para otros tratamientos.
Estos efectos cruzados pueden ser clasificados como transformables y no
transformables. Los transformables son aquellos que pueden ser eliminados
mediante el anlisis, usando alguna transformacin de la variable de
respuesta, por ejemplo, el logaritmo, raz cuadrada o reciproco de los datos
originales. La segunda categora, los efectos cruzados no transformables,
son aquellos que no pueden ser eliminados por el anlisis.
Un grado de libertad para la no aditividad transformable:
Una prueba formal para la no aditividad transformable basada en la
deteccin de una relacin curvilnea entre los residuales despus de ajustar
el modelo del diseo en bloques al azar y sus valores estimados, es debida
a J- W. Tukey. El procedimiento consiste en:
1. Analizar la variable original yij bajo el modelo del diseo en bloques al
azar.
2. Evaluar los valores estimados de la variable original bajo el modelo en
bloques al azar.
3. Evaluar los residuales en la variable original del modelo que
corresponde al diseo en bloques al azar:
4. Definir la variable qij como el cuadrado del valor estimado por el modelo
del diseo en bloques al azar.
5. Analizar la variable qij bajo el modelo de diseo en bloques al azar.
6. Obtener los valores estimados y los residuales de la variable qij.
7. Defina P como la suma de los productos cruzados de los residuales.
8. Defina Q como la suma de los cuadrados de los residuales de la variable
qij.
a). Ajuste del modelo del diseo en bloques al azar a la variable original,
digestibilidad de materia seca.
paja picada
paja molida
tratada
amonio
tratada urea
Media de blo
Media de
bloque 1
bloque 2
bloque 3
bloque 4
bloque 5
bloque 6
trat
32.68
36.22
36.36
40.95
34.99
33.89 35.8483333
35.9
38.73
37.55
34.64
37.36
34.35 36.4216667
49.43
46.58
41.1475
53.5
42.82
42.8175
52.86
45.41
43.045
45
45.08
41.4175
47.2
43.81
40.84
49.76
49.625
47.4 45.1833333
41.35 41.7695833
Media
general
Efecto de tratamiento
41.7695833
-5.92125
41.7695833
-5.34791667
41.7695833
7.85541667
41.7695833
3.41375
41.7695833
0
Efectos de bloque:
Media de
blo
41.1475
42.8175
43.045
41.4175
40.84
41.35
Media
general
Efecto de bloque
41.7695833
-0.62208333
41.7695833
1.04791667
41.7695833
1.27541667
41.7695833
-0.35208333
41.7695833
-0.92958333
41.7695833
-0.41958333
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
observados Estimados
Residuales
32.68
35.2262501
-2.54625007
36.22
36.8962501
-0.67625007
36.36
37.1237501
-0.76375007
40.95
35.4962501
5.45374993
34.99
34.9187501
0.07124993
33.89
35.4287501
-1.53875007
35.9
35.7995834
0.1004166
38.73
37.4695834
1.2604166
37.55
37.6970834
-0.1470834
34.64
36.0695834
-1.4295834
37.36
35.4920834
1.8679166
34.35
36.0020834
-1.6520834
49.43
49.0029167
0.42708327
53.5
50.6729167
2.82708327
52.86
50.9004167
1.95958327
45
49.2729167
-4.27291673
47.2
48.6954167
-1.49541673
49.76
49.2054167
0.55458327
46.58
44.5612501
2.01874993
42.82
46.2312501
-3.41125007
45.41
46.4587501
-1.04875007
45.08
44.8312501
0.24874993
43.81
44.2537501
-0.44375007
47.4
44.7637501
2.63624993
945.599496
23
Valor
Cuadrados
Probabilida crtico para
Medios
F
d
F
274.045349 38.6488589 2.6922E-07 3.28738211
3.42075417
0.482432
0.7840427 2.90129454
7.09064528
paja picada
paja molida
tratada
amonio
tratada urea
Media de blo
Media de
bloque 1
bloque 2
bloque 3
bloque 4
bloque 5
bloque 6
trat
1240.88869 1361.33327 1378.17282 1259.98377 1219.31911 1255.19633 1285.81566
1281.61017 1403.96968 1421.0701 1301.01485 1259.68798 1296.15001 1327.25046
2401.28585 2567.74449 2590.85242 2427.82032 2371.24361 2421.17304 2463.35329
1985.70501 2137.32848 2158.41546 2009.84098 1958.39439 2003.79332 2042.24627
1727.37243 1867.59398 1887.1277 1749.66498 1702.16127 1744.07817 1779.66642
Media de
tra
Media gral Efecto de tra
1285.81566 1779.66642
-493.850758
1327.25046 1779.66642
-452.415958
2463.35329 1779.66642
2042.24627 1779.66642
683.686866
262.579851
Media de
blo
1727.37243
1867.59398
1887.1277
1749.66498
1702.16127
1744.07817
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
Observados
1240.88869
1361.33327
1378.17282
1259.98377
1219.31911
1255.19633
1281.61017
1403.96968
1421.0701
1301.01485
1259.68798
1296.15001
2401.28585
2567.74449
2590.85242
2427.82032
2371.24361
2421.17304
1985.70501
2137.32848
2158.41546
2009.84098
1958.39439
2003.79332
Estimados Residuales
1233.52167
7.36702187
1373.74322
-12.4099531
1393.27694
-15.1041219
1255.81422
4.16954687
1208.31052
11.0085906
1250.22742
4.96891563
1274.95647
6.65369965
1415.17802
-11.208342
1434.71174
-13.6416441
1297.24902
3.76582465
1249.74532
9.9426684
1291.66222
4.4877934
2411.0593
-9.77344757
2551.28085
16.4636441
2570.81456
20.0378587
2433.35185
-5.53152257
2385.84814
-14.6045288
2427.76504
-6.59200382
1989.95228
-4.24727396
2130.17383
7.15465104
2149.70755
8.70790729
2012.24483
-2.40384896
1964.74113
-6.34673021
2006.65803
-2.86470521
picada vs
amonio vs
Repeticiones Media
fis vs quim molida
urea
6 35.8483333
-1
-1
0
6 36.4216667
-1
1
0
6
49.625
6 45.1833333
1
1
0
0
-1
1
Valor
Suma de
Grados de Cuadrados
Probabilida crtico para
cuadrados
libertad
Medios
F
d
F
822.136046
3 274.045349 38.6488589 2.6922E-07 3.28738211
761.964704
(1) 761.964704
111.6922 2.4027E-08 4.54307712
0.98613333
(1) 0.98613333
59.1852083
17.1037708
106.359679
(1) 59.1852083
5 3.42075417
15 7.09064528
8.347
0.482432
945.599496
23
0.01123995 4.54307712
0.7840427 2.90129454
a). Ajuste del modelo del diseo en bloques al azar a la variable original:
1
2
3
4
5
6
Medias de
tratamiento
Efs. De trat
18
33.6
37.1
34.1
34.6
35.4
36.1
24
31.1
34.5
30.5
32.7
30.7
27.9
30
33
29.5
29.2
30.7
30.7
27.9
36
28.4
29.9
31.6
32.3
28.1
26.9
Medias de
42 bloques
31.4
31.5
28.3
31.86
28.9
30.86
28.6
31.78
29.6
30.9
33.4
30.44
Efs. De bloq
0.27666667
0.63666667
-0.36333333
0.55666667
-0.32333333
-0.78333333
trat obs
media gral
efe trat
efe bloque
estimado
residual
18
33.6 31.22333333
3.92666667
0.27666667 35.4266667
-1.82666667
18
37.1 31.22333333
3.92666667
0.63666667 35.7866667
1.31333333
18
34.1 31.22333333
3.92666667
-0.36333333 34.7866667
-0.68666667
18
34.6 31.22333333
3.92666667
0.55666667 35.7066667
-1.10666667
18
35.4 31.22333333
3.92666667
-0.32333333 34.8266667
0.57333333
18
36.1 31.22333333
3.92666667
-0.78333333 34.3666667
1.73333333
24
31.1 31.22333333
0.01000000
0.27666667
31.51
-0.41000001
24
34.5 31.22333333
0.01000000
0.63666667
31.87
2.62999999
24
30.5 31.22333333
0.01000000
-0.36333333
30.87
-0.37000001
24
32.7 31.22333333
0.01000000
0.55666667
31.79
0.90999999
24
30.7 31.22333333
0.01000000
-0.32333333
30.91
-0.21000001
24
27.9 31.22333333
0.01000000
-0.78333333
30.45
-2.55000001
30
33 31.22333333
-1.05666666
0.27666667 30.4433333
2.55666666
30
29.5 31.22333333
-1.05666666
0.63666667 30.8033333
-1.30333334
30
29.2 31.22333333
-1.05666666
-0.36333333 29.8033333
-0.60333334
30
30.7 31.22333333
-1.05666666
0.55666667 30.7233333
-0.02333334
30
30.7 31.22333333
-1.05666666
-0.32333333 29.8433333
0.85666666
30
27.9 31.22333333
-1.05666666
-0.78333333 29.3833333
-1.48333334
36
28.4 31.22333333
-1.69000000
0.27666667
29.81
-1.41000001
36
29.9 31.22333333
-1.69000000
0.63666667
30.17
-0.27000001
36
31.6 31.22333333
-1.69000000
-0.36333333
29.17
2.42999999
36
32.3 31.22333333
-1.69000000
0.55666667
30.09
2.20999999
36
28.1 31.22333333
-1.69000000
-0.32333333
29.21
-1.11000001
36
26.9 31.22333333
-1.69000000
-0.78333333
28.75
-1.85000001
42
31.4 31.22333333
-1.19000000
0.27666667
30.31
1.08999999
42
28.3 31.22333333
-1.19000000
0.63666667
30.67
-2.37000001
42
28.9 31.22333333
-1.19000000
-0.36333333
29.67
-0.77000001
42
28.6 31.22333333
-1.19000000
0.55666667
30.59
-1.99000001
42
29.6 31.22333333
-1.19000000
-0.32333333
29.71
-0.11000001
Bloque 6
42
33.4
31.22333333
-1.19000000
-0.78333333
29.25
4.14999999
18
1255.04871
1280.68551
24
30
992.8801 926.796545
1015.6969 948.845345
36
888.6361
910.2289
Bloque 3
Bloque 4
1210.11218
1274.96604
952.9569 888.238678
1010.6041 943.923212
850.8889
905.4081
Bloque 5
1212.89671
955.4281 890.624545
853.2241
Bloque 6
1181.06778
927.2025 863.380278
826.5625
1235.79616 975.794767 910.301434 872.491434
256.464444 3.53694492 69.0302783 106.840278
ef de
42 medias blo bloque
918.6961 996.411512 17.0797995
940.6489 1019.22111 39.8893995
880.3089 956.501112 22.8306005
935.7481 1014.12991 34.7981995
882.6841 958.971512 20.3602005
855.5625 930.755112 48.5766005
902.274767 979.331712
77.0569449
trat q observada
media gral ef de bloue
ef de trat
estim de q residual
18
1255.04871 979.331712 17.0797995
256.464444 1252.87596 2.1727565
18
1280.68551 979.331712 39.8893995
256.464444 1275.68556 4.9999565
18
1210.11218 979.331712 -22.8306005
256.464444 1212.96556 2.85337683
18
1274.96604 979.331712 34.7981995
256.464444 1270.59436 4.37168983
18
1212.89671 979.331712 -20.3602005
256.464444 1215.43596 -2.5392435
18
1181.06778 979.331712 -48.5766005
256.464444 1187.21956 6.15177683
24
992.8801 979.331712 17.0797995 -3.53694492 992.874566 0.00553428
24
1015.6969 979.331712 39.8893995 -3.53694492 1015.68417 0.01273428
24
952.9569 979.331712 -22.8306005 -3.53694492 952.964166 0.00726572
24
1010.6041 979.331712 34.7981995 -3.53694492 1010.59297 0.01113428
24
955.4281 979.331712 -20.3602005 -3.53694492 955.434566 0.00646572
24
927.2025 979.331712 -48.5766005 -3.53694492 927.218166 0.01566572
30
926.796545 979.331712 17.0797995 -69.0302783 927.381233 0.58468794
30
948.845345 979.331712 39.8893995 -69.0302783 950.190833 1.34548794
30
888.238678 979.331712 -22.8306005 -69.0302783 887.470833 0.76784539
30
943.923212 979.331712 34.7981995 -69.0302783 945.099633 1.17642128
30
890.624545 979.331712 -20.3602005 -69.0302783 889.941233 0.68331206
30
863.380278 979.331712 -48.5766005 -69.0302783 861.724833 1.65544539
36
888.6361 979.331712 17.0797995 -106.840278 889.571233 0.93513239
36
910.2289 979.331712 39.8893995 -106.840278 912.380833 2.15193239
36
850.8889 979.331712 -22.8306005 -106.840278 849.660833 1.22806761
36
905.4081 979.331712 34.7981995 -106.840278 907.289633 1.88153239
36
853.2241 979.331712 -20.3602005 -106.840278 852.131233 1.09286761
36
826.5625 979.331712 -48.5766005 -106.840278 823.914833 2.64766761
Bloque 1
42
918.6961 979.331712
17.0797995
Bloque 2
Bloque 3
42
42
940.6489 979.331712
880.3089 979.331712
39.8893995
-22.8306005
Bloque 4
Bloque 5
Bloque 6
42
42
42
935.7481 979.331712
882.6841 979.331712
855.5625 979.331712
34.7981995
-20.3602005
-48.5766005
asociada:
Beta = -0.053059
S.C.R. = 0.38474
e).
S.C.
8.20966667
124.845333
85.4426667
36.8019048
1.76816667
0.83259524
82.3186667
Total
215.373667
G.L.
1
1
1
1
C.M.
F
5 1.64193333 0.39892127
4 31.2113333 7.58305123
85.4426667 20.7590016
36.8019048 8.94132674
1.76816667 0.4295907
0.83259524 0.20228589
20 4.11593333
Valor
Probabilida crtico para
d
F
0.84373767 2.71088984
0.00068956 2.8660814
0.00019193 4.3512435
0.00723358 4.3512435
0.51965862 4.3512435
0.65771869 4.3512435
29
Las tendencias que resultan ser significativas son la lineal y la cuadrtica, por
lo que se puede concluir que un modelo polinomial de segundo orden se ajusta
adecuadamente a este conjunto de observaciones.
Coeficientes
52.4138
-1.30206
0.01838
Error tpico
4.82431978
0.34008611
0.00562884
2.
3.
Despejar la variable x.
2.
-1.30206 + 0.03676x =0
3.
Este
3.
Columna 1
A
B
C
D
Columna 2
B
C
D
A
Columna 3
C
D
A
B
Columna 4
D
A
B
C
Numero
Aleatorio
0.08060046
0.09297599
0.61098286
0.47095288
Orden
Actual de
Hileras
1
2
3
4
Orden
Aleatorio
de Hileras
1
2
4
3
Columna 1
A
B
D
C
Columna 2
B
C
A
D
Columna 3
C
D
B
A
Columna 4
D
A
C
B
Orden
Actual de
columna
1
2
3
4
Orden
aleatorio de
Columna
2
1
4
3
Columna 1
B
C
A
D
Columna 2
A
B
D
C
Columna 3
D
A
C
B
Columna 4
C
D
B
A
Este seria el cuadro latino que debe usarse como arreglo geomtrico del
diseo experimental. Las letras pueden tambin ser asignadas al azar a los
tratamientos.
j= 0
Ya que el numero de niveles en cada fuente de variacin es t, entonces el
numero de parmetros independientes que deben ser estimados por cada
fuente de variacin es (t - 1), y as los grados de libertad son:
Para el modelo reducido: t2 1 = (t + 1)(t - 1)
Para el modelo completo: t2 1 - 3(t - 1)= t2 - 3(t )+2 = (t 1) (t 2)
La estimacin de los parmetros del modelo es la que se ha venido
identificando en los otros dos arreglos geomtricos:
k(ij) = Media del tratamiento k Media General
i = Media de la hilera i Media General.
j = Media de la columna j Media General.
La suma de cuadrados asociada al efecto de los tratamientos esta dada por:
S.C.(tratamientos) = t 2k(ij) con ( t 1 ) grados de libertad.
S.C. (hileras) = t 2i con ( t 1 ) grados de libertad.
S.C. (columnas) = t 2j con ( t 1 )grados de libertad.
La suma de cuadrados del total y sus grados de libertad asociados se
obtienen del ajuste del modelo reducido, en tanto que la suma de cuadrados
del residual y sus grados de libertad se obtienen del ajuste del modelo
completo. El resto de la tabla de anlisis de varianza reobtiene de la manera
convencional.
F.V.
Modelo
Hileras
Columnas
Tratamientos
Error
Total
G.L.
3( t - 1 )
t-1
t-1
t-1
(t-1)(t-2)
t^2 - 1
S.C.
S.C.To - S.C.E
t (S.C.(ef. Hilera))
t (S.C.(ef. Columna))
t (S.C. (ef. Tratamiento)
S.C.E. Mod. Completo
S.C.E. Mod. Reducido
C.M.
Fc
Ft
Pr > Fc
D: Nitrato de calcio.
E: Nitrato de sodio.
F: Control, sin nitrogeno.
Los resultados del experimento fueron:
H1
H2
H3
H4
H5
H6
c1
F=28.2
E=31.0
D=30.6
C=33.1
B=29.9
A=30.8
c2
D=29.1
B=29.5
E=28.8
A=30.4
F=25.8
C=29.7
c3
A=32.1
C=29.4
F=21.7
B=28.8
E=30.3
D=27.4
c4
B=33.1
F=24.8
C=30.8
D=31.4
A=30.3
E=29.1
c5
E=31.1
D=33.0
A=31.9
F=26.7
C=33.5
B=30.7
c6
C=32.4
A=30.6
B=30.1
E=31.9
D=32.3
F=21.4
G.L.
1
1
1
1
1
Error
Total
S.C.
C.M.
Fc
5 32.1880555 6.43761111 4.25549027
5 33.6680556 6.73361111 4.45115681
5 185.764722 37.1529444 24.5594198
Ft
P>Fc
2.71088984 0.00848296
2.71088984 0.00689471
2.71088984 6.718E-08
20 30.2555556 1.51277778
35 281.876389
grados
de
libertad
para
el
error.
Por
ello
se
recomienda,
Op 1
Op 2
Op 3
R1
Fund 2
B = 16.5
A = 17.0
C = 12.0
R1
Fund 3
C = 11.0
B = 15.0
A = 13.5
R2
Fund 1
C = 10
A = 12.0
B = 13.5
R2
Fund 2
B = 16.5
C = 12.0
A = 18.0
R2
Fund 3
A = 13.0
B = 14.0
C = 11.5
G.L.
1
2
2
2
S.C.
7 90.7222222
0.05555556
41.3333333
0.25
49.0833333
10 13.7777778
17
104.5
C.M.
Fc
Ft
Pr>Fc
0.844876514
0.000976563
0.914011146
0.000505808
este
cantidad
de
parmetros
Rep 1
Rep 2
Operador 1
Operador 2
Operador 3
Operador 4
Operador 5
Operador 6
Fundente 1
B = 265
A =350
C = 258
B = 220
A = 319
C = 175
Fundente 2
A = 311
C = 284
B = 305
A = 276
C = 232
B = 254
Fundente 3
C = 249
B = 330
A = 351
C = 189
B = 264
A = 307
Rep 3
Operador 7 B = 159
Operador 8 A = 262
Operador 9 C = 198
A = 205
C = 168
B = 237
C = 142
B = 246
A = 283
F.V.
G.L.
C.M.
Fc
Modelo
S-C.
Ft
P > Fc
12 84904.2222
Repeticion
Oper(Rep
Fund
Tratamiento
2
6
2
2
Error
Total
36140.5185
14565.7778
1344.51852
32853.4074
14 1879.40741 134.243386
26 86783.6296
geomtrico es
Yijkl = + i + l(ijk) + j(i) + k(i) + ijkl
En base a este modelo los grados de libertada para el error experimental
quedan definidos por la expresin (t-1)(rt-r-1) . Como puede sospecharse,
por el numero de parmetros a estimar, este es el cuadro latino repetido que
tiene un menor incremento en los grados de libertad en el error, ya que la
estimacin de efectos de hilera y columna se llevan a cabo dentro de cada
repeticin.
Ejemplo numrico 4. Como un ejemplo considere la situacin en la que se
estn probando cuatro diferentes tratamientos (A, B, C, D) para mejorar el
valor nutricional de subproductos agrcolas para la alimentacin del ganado.
Se dispone de dos zonas climticas, cada una de las cuales produce cuatro
1
C = 0.2
B = 0.28
D = 0.34
A = 0.32
5
B = 0.29
D = 0.28
C = 0.28
A = 0.3
2
A = 0.24
C = 0.19
B = 0.23
D = 0.22
6
A = 0.25
B = 0.18
D = 0.23
C = 0.19
3
D = 0.2
A = 0.22
C = 0.21
B = 0.16
7
C = 0.18
A = 0.21
B = 0.2
D = 0.24
4
B = 0.27
D = 0.28
A = 0.28
C = 0.27
8
D = 0.28
C = 0.25
A = 0.28
B = 0.25
G.L.
Modelo
Repeticion
Hileras(rep)
Colum(rep)
tratamientos
S.C.
16
1
6
6
3
Error
Total
C.M.
Fc
Ft
Pr > Fc
0.0536625
0.0000125 0.0000125 0.02377179 4.54307712 0.87952229
0.0038375 0.00063958 1.2163233
2.790465 0.35123807
0.0401375 0.00668958
12.72187
2.790465 3.8579E-05
0.009675
0.003225 6.13312203 3.28738211 0.00621636
15
31
0.0078875 0.00052583
0.06155
D = 0.25875
B = 0.2325
C = 0.22125
Construir una tabla de diferencia de medias:
A
D
A-D=0.00375
A
D
B
C
B
A-B=0.03000
D-B=0.02625
C
A-C=0.04125
D-C=.0375
B-C=0.01125
Por otro lado, si las hiptesis que se desean probar se refieren a dos o
mas factores, entonces el arreglo a seleccionar es un arreglo multifactorial, que
puede ser un arreglo factorial o un arreglo en parcelas divididas.
El arreglo factorial es seleccionado cuando el tamao de la unidad
experimental es el mismo para cualquiera de los factores que se desean
probar. Bajo este arreglo se aleatorizan independientemente los niveles de
cada uno de los factores a las unidades experimentales. De manera
equivalente, se pueden formular todas las posibles combinaciones de los
niveles de los factores y considerarlas como tratamientos, llevando a cabo una
aleatorizacion
de
acuerdo
al
arreglo
geomtrico
de
las
unidades
experimentales.
El arreglo de parcelas divididas es seleccionado cuando el tamao de la
unidad experimental requerido para probar los niveles de un factor es mas
grande (factor de parcela principal) comparado con el tamao de la unidad
experimental para probar otro factor (factor de subparcela). En estos arreglos
de tratamientos las unidades experimentales para probar el factor de parcela
principal
son
aleatorizados
de
acuerdo
algn
arreglo
geomtrico
Res
73
102
118
104
81
107
100
87
117
111
ALTA
PROTENA
Soya
Puerco
Res
98
94
74
79
56
96
111
98
95
102
88
102
82
108
77
91
86
120
92
105
90
76
90
64
86
51
72
90
95
78
BAJA
PROTENA
Soya
Puerco
107
49
95
82
97
73
80
86
98
81
74
97
74
106
67
70
89
61
58
82
2.
3.
Efecto de interaccin:
Siempre que se lleva a cabo un experimento multifactorial el objetivo
fundamental es investigar el efecto conjunto de los factores. Esto implica
investigar como los niveles de un factor pueden modificar el efecto de otro
factor sobre una respuesta.
En nuestro ejemplo de las mascotas esto llevara a determinar como el
efecto de la cantidad de protena se ve modificado al cambiar las fuentes de
protena. En otras palabras, indagar si el efecto de la cantidad de protena
es el mismo para cada una de las fuentes investigadas.
Si el efecto de la cantidad de protena resulta ser el mismo para cada
fuente, es decir, el cambio en respuesta promedio por efecto de la cantidad
de protena para cada fuente resulta muy homogneo, esto refleja que la
fuente de protena no modifica el efecto de la cantidad, por lo tanto, bajo
esta situacin se considera que el efecto de los factores sobre la variable de
respuesta son independientes, esto es, cada uno de los factores tiene su
efecto sobre la respuesta indistintamente del nivel en el que se encuentra el
otro factor.
Sobre otro punto de vista, si el efecto de la cantidad de protena se modifica
para cada una de las fuentes, entonces existe una dependencia entre los
dos factores. La magnitud de cambio en la variable de respuesta debido a la
cantidad de protena va a depender de la fuente de protena que se este
considerando, situacin que caracteriza un efecto de interaccin de
cantidad por fuente. Esto equivale a observar diferentes pendientes o tasas
de cambio de un factor para diferentes niveles de un segundo factor. El
efecto de un factor bajo una situacin de interaccin se potencializa o inhibe
de acuerdo al nivel del segundo factor. Los efectos de los factores no son
independientes, sino todo lo contrario, existe un efecto cruzado de los
factores.
Bajo una situacin de interaccin de factores no tiene sentido entonces
concluir acerca de cada uno de los factores por separado, por la
dependencia que existe del efecto de un factor y los niveles de un segundo
factor.
se
pueden
definir,
de
manera
equivalente
las
1
64.5
68.3
70.3
65.2
69.2
71.2
66.2
69
70.8
2
66.3
69.5
73.1
65
70.3
72.8
66.5
69
74.2
M E Z C LA
3
74.1
73.8
78
73.8
74.5
79.1
72.3
75.4
80.1
4
66.5
70
72.3
64.8
68.3
71.5
67.7
68.6
72.4
Mtodo de Aplicacin
1
1
2
3
MEZCLA 1
64.5
68.3
70.3
Mtodo de Aplicacin
1
MEZCLA 1
64.5
2.
3.
Ho:
aplicacin.
Como puede ser visualizado a partir de estos ejemplos tipicos de cada arreglo
de tratamientos, la seleccin esta basada en un criterio netamente practicote
llevar a cabo la aplicacin de los niveles de los factores a las unidades
experimentales; cada una de las diferentes situaciones debe reflejarse en el
modelo estadstico y consecuentemente en el anlisis de resultados.
2.
Series 2 a la k.
3.
Series 3 a la k.
4.
5.
de otros dos factores (o niveles de otro factor). Las celdas generadas en esta
tabla constituyen cada una de las combinaciones de tratamiento que deben ser
incluidas en el arreglo factorial.
Construya un arreglo factorial 324 en forma tabular:
Es un arreglo factorial con tres factores, A,B y C, en el que el factor A tiene tres
niveles (a0,a1,a2) , el factor B tiene dos niveles (b 0,b1) y el factor C tiene 4
niveles (c0,c1,c2,c3). Cada nivel de un factor debe combinarse con todos los
niveles de los otros factores. En este ejemplo generamos las combinaciones de
los primeros dos factores (AB) a las que colocamos como encabezados de
columna de la tabla, en tanto que los niveles del factor C los colocamos como
encabezados de hilera, formano as la siguiente estructura:
b0
a 0 b 0 c0
a 0 b 0 c1
a 0 b 0 c2
a 0 b 0 c3
c0
c1
c2
c3
a0
b1
a 0 b 1 c0
a 0 b 1 c1
a 0 b 1 c2
a 0 b 1 c3
b0
a 1 b 0 c0
a 1 b 0 c1
a 1 b 0 c2
a 1 b 0 c3
a1
b1
a 1 b 1 c0
a 1 b 1 c1
a 1 b 1 c2
a 1 b 1 c3
b0
a 2 b 0 c0
a 2 b 0 c1
a 2 b 0 c2
a 2 b 0 c3
a2
b1
a 2 b 1 c0
a 2 b 1 c1
a 2 b 1 c2
a 2 b 1 c3
Si esta tabla la desdoblamos para que nos quede en forma vertical, solo
debemos considerar los siguientes valores:
1.
2.
3.
4.
a0
a0
a0
a0
a0
a0
a0
a0
a1
a1
a1
a1
b0
b0
b0
b0
b1
b1
b1
b1
b0
b0
b0
b0
c0
c1
c2
c3
c0
c1
c2
c3
c0
c1
c2
c3
a1
a1
a1
a1
a2
a2
a2
a2
a2
a2
a2
a2
b1
b1
b1
b1
b0
b0
b0
b0
b1
b1
b1
b1
c0
c1
c2
c3
c0
c1
c2
c3
c0
c1
c2
c3
Yij = + i + ij
; i=1,2,..,6 ; j=1,2,,10
G.L.
5
54
59
S.C.
4612.9333
11586.0000
16198.9333
C.M
Fc
922.5866
214.5555
4.2999
Ft
2.3860
Pr > Fc
0.0023
2.
Yijk =
()ij
de la cantidad de protena.
ijk
i i = 0
Restriccin para la estimacin de los efectos del factor cantidad de protena
j j
= 0
i ()ij = 0 j ()jj
= 0
ij ()jj
= 0
Promedio
Efecto
89.6
1.733333333
84.9
-2.966666667
89.1
1.233333333
Suma de
estimadores
1.42109E-14
Media
Efecto
95.133333
3
7.266666667
80.6
-7.266666667
Suma de
efectos
1.42109E-14
Res
100
79.2
Soya
85.9
83.9
Puerco
99.5
78.7
Con estos promedios y los calculados anteriormente para cada nivel en cada
uno de los factores y la media general podemos estimar los efectos de
interaccin:
Res
Soya
Puerco
Alto
Bajo
3.13333333
-3.13333333
-6.26666667
6.26666667
3.13333333
-3.13333333
G.L.
S.C.
4612.93333
266.533333
3168.26667
1178.13333
54 11586.00000
59 16198.9333
5
2
1
2
C.M.
922.586667
133.266667
3168.26667
589.066667
214.555556
F.C.
4.29998964
0.62112895
14.7666494
2.74552046
F.TABLAS
2.38606985
3.16824597
4.01954091
3.16824597
Pr > F.C.
0.00229944
0.54113191
0.00032236
0.07318788
100
1
1
1
1
1
ALTA
PROTENA
Soya
Puerco
Res
85.9
99.5
1
1
-2
1
0
-1
-2
1
0
-1
79.2
-1
1
1
-1
-1
BAJA
PROTENA
Soya
Puerco
83.9
78.7
-1
-1
-2
1
0
-1
2
-1
0
1
G.L.
2
1
1
1
2
1
1
S.C.
5
4612.93333
266.5333333
264.0333333
2.5
3168.266667
1178.133333
1178.133333
0
54
11586.00000
59
16198.93333
C.M.
922.586667
133.266667
264.033333
2.5
3168.26667
589.066667
1178.13333
0
214.555556
F.C.
4.29998964
0.62112895
1.2306059
0.01165199
14.7666494
2.74552046
5.49104091
0
F.TABLAS
2.38606985
3.16824597
4.01954091
4.01954091
4.01954091
3.16824597
4.01954091
4.01954091
Pr > F.C.
0.00229944
0.54113191
0.2722052
0.91443988
0.00032236
0.07318788
0.02282668
1
ARREGLOS FACTORIALES 2K
Estos arreglos se caracterizan por tener incluidos K factores cada uno en dos
niveles. Estos arreglos son de gran inters en los diversos campos de la
ciencia y la ingeniera, donde la experimentacin es la principal herramienta de
investigacin. Esto se debe a que constituye una gran diversidad de arreglos
de tratamientos que permiten investigar una gran cantidad de factores con
pocas corridas experimentales, principalmente en la fase de exploracin de
impactos de las diferentes variables independientes sobre las variables de
respuesta. Tambin son de inters porque constituyen la base para construir
diseos experimentales en la fase de optimizacin de procesos, como son los
diseos de metodologa de superficie de respuesta y los arreglos ortogonales
de Taguchi.
Nomenclatura:
La nomenclatura particular para estos arreglos permite el manejo mas eficiente
de las combinaciones de tratamiento. Con la nomenclatura simplificada tambin
se logra un procedimiento para construir estos arreglos.
A cada uno de los factores se les asocia una letra mayscula latina,
empezando con la letra A y continuando as hasta los K factores que se
incluyen en el arreglo. Entonces tenemos los factores A, B, C,,K.
Cada uno de los factores solo tiene dos niveles, a los que se les
denomina el nivel bajo y el nivel alto. Esta nomenclatura es arbitraria para
factores cualitativos no ordinales, pero para factores cuantitativos o cualitativos
ordinales estos se asocian de acuerdo a la magnitud del nivel en el factor. Los
niveles se representan con la letra minscula correspondiente al factor,
denotando el nivel bajo con un subndice cero y el nivel alto con un subndice
uno.
De esta manera los nieles del factor A son a 0 y a1, a los cuales
genricamente se les denomina el nivel bajo del factor A y el nivel alto del factor
A. De manera equivalente se sigue esta notacin para los niveles de los K
factores.
el procedimiento es el
(1)
a
b
ab
Con esta notacin es mas directa la generacin de la siguiente serie, pues solo
se duplica y a cada combinacin duplicada se multiplica por el nuevo factor. As
para un 23 se tiene:
(1)
a
b
ab
(1)*c = c
a*c = ac
b*c = bc
ab*c = abc
Ejemplo: Genere una serie 25:
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
e
ae
be
abe
ce
ace
bce
abce
de
ade
bde
abde
cde
acde
bcde
abcde
A
-1
+1
-1
+1
-1
+1
-1
+1
B
-1
-1
+1
+1
-1
-1
+1
+1
AB
+1
-1
-1
+1
+1
-1
-1
+1
C
-1
-1
-1
-1
+1
+1
+1
+1
AC
+1
-1
+1
-1
-1
+1
-1
+1
BC
+1
+1
-1
-1
-1
-1
+1
+1
ABC
-1
+1
-1
+1
+1
-1
-1
+1
Combinacion
(1)
a
b
ab
c
ac
bc
abc
1
22
32
35
55
44
40
60
39
2
31
43
34
47
45
37
50
41
3
25
29
50
46
38
36
54
47
1
6
10
2
8
16
3
9
15
b
ab
c
ac
bc
abc
18
12
20
34
36
25
12
9
26
28
44
22
15
10
29
32
46
24
al considerar que cada nivel del factor tiene la mitad de las medias
2.
2.
El numero de bloques para llevar a cabo una replica del arreglo factorial
2K debe ser una potencia de 2, llmele P, donde P<K.. Entonces P puede tomar
los valores 1,2,..,K-1. Sin embargo, los valores mas bajos de P son los que mas
frecuentemente se emplean en la experimentacin.
Cuando P=1 implica que solo se requieren dos bloques, de tal manera
que se tiene asociado un solo grado de libertad para bloques, y as un solo
efecto es el que debe confundirse con bloques. En este caso no cabe duda de
que el efecto que se selecciona para ser confundido con bloques es el de mas
alto orden de interaccin, pues este es el de menor importancia en general.
Entonces la totalidad de las combinaciones del arreglo factorial completo se
dividen de acuerdo a los signos del contraste de la interaccin de mas alto
orden. Entonces una mitad de las combinaciones se asigna a uno de los
bloques y la otra mitad al segundo bloque. De esta manera el contraste que
estima la interaccin de mas alto orden estar estimando adicionalmente el
efecto de los bloques.
Ejemplo: Considere que se desea llevar a cabo un arreglo factorial 2 4 en dos
bloques. Se desea confundir la interaccin de los 4 factores con el efecto de los
bloques. Cual es la distribucin de las combinaciones del arreglo factorial a los
bloques. La siguiente tabla hace la distribucin de los tratamientos en los dos
bloques:
Combn.
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
A
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
B
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
C
-1
-1
-1
-1
+1
+1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
D
-1
-1
-1
-1
-1
-1
-1
-1
+1
+1
+1
+1
+1
+1
+1
+1
ABCD
+1
-1
-1
+1
-1
+1
+1
-1
-1
+1
+1
-1
+1
-1
-1
+1
Bloque
1
2
2
1
2
1
1
2
2
1
1
2
1
2
2
1
Combinacion A
B
C
D
E
ABE CDE Bloque
1
-1
-1
-1
-1
-1
-1
-1
1
ab
1
1
-1
-1
-1
-1
-1
1
cd
-1
-1
1
1
-1
-1
-1
1
abcd
1
1
1
1
-1
-1
-1
1
ace
1
-1
1
-1
1
-1
-1
1
bce
-1
1
1
-1
1
-1
-1
1
ade
1
-1
-1
1
1
-1
-1
1
bde
-1
1
-1
1
1
-1
-1
1
a
1
-1
-1
-1
-1
1
-1
2
b
-1
1
-1
-1
-1
1
-1
2
acd
1
-1
1
1
-1
1
-1
2
bcd
-1
1
1
1
-1
1
-1
2
ce
-1
-1
1
-1
1
1
-1
2
abce
1
1
1
-1
1
1
-1
2
de
-1
-1
-1
1
1
1
-1
2
abde
1
1
-1
1
1
1
-1
2
c
-1
-1
1
-1
-1
-1
1
3
abc
1
1
1
-1
-1
-1
1
3
d
-1
-1
-1
1
-1
-1
1
3
abd
1
1
-1
1
-1
-1
1
3
ae
1
-1
-1
-1
1
-1
1
3
be
-1
1
-1
-1
1
-1
1
3
acde
1
-1
1
1
1
-1
1
3
bcde
-1
1
1
1
1
-1
1
3
ac
1
-1
1
-1
-1
1
1
4
bc
-1
1
1
-1
-1
1
1
4
ad
1
-1
-1
1
-1
1
1
4
bd
-1
1
-1
1
-1
1
1
4
e
-1
-1
-1
-1
1
1
1
4
abe
1
1
-1
-1
1
1
1
4
cde
-1
-1
1
1
1
1
1
4
abcde
1
1
1
1
1
1
1
4
2.
3.
Yijk = +i+j(i)+k+()ik+ijk
El subndice i esta asociado a los niveles del factor de parcela grande, por lo
que i=1,2,,a,
El subndice j esta asociado a las repeticiones de parcela grande, por lo que
j=1,2,,r.
El subndice k esta asociado a los niveles del factor de subparcela, por lo que
k=1,2,,b.
El modelo indica entonces que se tienen a niveles del factor de parcela
principal con r repeticiones en cada nivel. El error de parcela grande esta
representado por el componente
j(i) el
G.L.
ar 1
Factor A
Error (a)
a1
a*(r - 1)
Subparcelas:
ar*( b - 1 )
Factor B
Interaccin A*B
Error (b)
b1
( a - 1 ) *( b - 1 )
a*( b - 1)*( r - 1 )
Total
(abr)
- 1
G.L.
ar - 1
Factor A
Factor de bloqueo
Error (a)
a-1
r-1
( a - 1 )*( r - 1 )
Subparcelas:
ar*( b - 1 )
Factor B
Interaccin
B*bloqueo
Interaccin A*B
Error (b)
b-1
Total
(abr)
( r - 1 )*( b - 1 )
( a - 1 ) *( b - 1 )
( a - 1 )*( b - 1 )*( r - 1 )
- 1
G.L.
a^2 - 1
Factor A
Factor de hileras
Factor de columnas
Error (a)
a-1
a-1
a-1
( a - 1 )*( a - 2 )
Subparcelas:
a^2*( b - 1 )
Factor B
Interaccin A*B
Error (b)
b-1
( a - 1 ) *( b - 1 )
a * ( a - 1 )*( b - 1 )
Total
(a^2)*b
- 1
comparaciones estas se hagan en algn paquete que las arroje como parte de
la salida del anlisis (como por ejemplo el SAS) o en su defecto, consultar los
errores
estndar
de
las
diferencias
en
una
referencia
de
diseos
HIBRIDO
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
1
1
1
1
2
2
2
2
3
3
3
3
1
1
1
1
2
2
2
2
3
3
3
3
1
1
1
DENSIDAD RESPUESTA
10
40.7
15
24.2
20
16.1
25
11.2
10
39.4
15
31.3
20
17.9
25
14.8
10
68.7
15
26.2
20
20.5
25
18.9
10
37.8
15
44.4
20
17.6
25
12.7
10
47.8
15
34.5
20
30.5
25
17.3
10
56.2
15
48.1
20
28.2
25
26.2
10
32.9
15
27.8
20
19.9
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
4
4
1
2
2
2
2
3
3
3
3
1
1
1
1
2
2
2
2
3
3
3
3
25
10
15
20
25
10
15
20
25
10
15
20
25
10
15
20
25
10
15
20
25
14.5
44.4
25.6
22.5
17.7
44.8
41.1
30
19.2
43.1
34.1
20.1
15.4
49
50.4
25.2
18.7
59.3
46
24.7
22
G.L.
Parcela Grande
S.C.
11
Bloques
Hibridos
Hibridos*Bloques
3
2
6
C.M.
Fc
Ft (.05)
P-Valor
1335.6 121.418182
408.985 136.328333
881.40875 440.704375 58.4924927 5.14325285 0.000116117
45.20625
7.534375
Subparcela
36
7653.93 212.609167
Densidad
Debsidad*Hibrido
Error (b)
Total
47
8989.53
Hibidos 1
25.78125
Hibrido 2
30.4375
Hibrido 3
36.25625
0.666
Por lo que a un nivel de confianza del 95 % las tres medias resultan
estadsticamente diferentes, siendo entonces el mejor hibrido el numero 3.
Por otro lado el efecto de la densidad puede ser evaluado mediante una
regresin:
Respuesta = 66.61 2.045*Densidad
Con un coeficiente de determinacin de 0.835 y un error estndar de 7.68.
De estos resultados se desprende entonces que el mejor hibrido es el 3 que
debe cultivarse bajo la densidad mas baja evaluada.
METODOLOGIA DE TAGUCHI:
La metodologa de Taguchi es sinonimo de ingeniera de calidad y tiene por
objetivo disear calidad en todo producto y su correspondiente proceso.
Taguchi introduce una filosofa en la que la calidad es medida por la desviacin
del valor de una caracterstica con respecto a su valor ptimo. Factores no
controlables (ruido) ocasionan tales desviaciones. La eliminacin de los
factores de ruido es impractico y muy a menudo imposible, de aqu que el
mtodo de Taguchi procura minimizar los efectos de ruido. A travs de esta
metodologa se determina el nivel ptimo de los factores controlables
importantes basados en el concepto de robustez. El objetivo es crear un diseo
de producto / proceso que sea lo menos sensible posible a las fluctuaciones de
los factores de ruido (robusto) al establecer los factores controlables de
impacto en los niveles ptimos.
El diseo de parmetros usa la idea fundamental del procedimiento en dos
pasos para lograr la calidad:
1.
2.
Z = log(varianza).
2.
Z = 10 log(media/desv.est)
RSR para variables de calidad del tipo mas pequea es mejor:
Ejemplos:
1.
Variable
Nivel 1
Nivel 2
Baja
Alta
24
48
Manual
Maquina
Agregado (E)
Fino
Grueso
Baja
Alta
C
1
1
1
1
2
2
2
2
B
1
1
2
2
1
1
2
2
A
1
2
1
2
1
2
1
2
D
2
1
1
2
2
1
1
2
E
2
1
2
1
1
2
1
2
e
2
2
1
1
1
1
2
2
F
1
2
2
1
2
1
1
2
R1
2.3
3.5
3-0
2.1
3.5
2.6
2.9
3.9
R2
2.2
3.3
2.9
1.9
3.6
2.7
2.8
4.1
Construya una tabla de anova para identificar las variables que tienen un
efecto significativo sobre la media de la firmeza.
2.
Nivel 1
Nivel 2
10
20
15
30
Temperatura (C)
68
78
A
10
10
10
10
20
20
20
20
B
15
15
30
30
15
15
30
30
C
68
78
68
78
68
78
68
78
D
X
Y
Y
X
Y
X
X
Y
R1
0.638
0.496
0.562
0.564
0.659
0.549
0.842
0.910
R2
0.489
0.509
0.493
0.632
0.623
0.457
0.910
0.898
R3
0.541
0.513
0.529
0.507
0.636
0.604
0.657
0.913
R4
0.477
0.495
0.531
0.757
0.584
0.386
0.953
0.878
R1
221
325
354
552
440
406
605
392
R2
311
435
348
472
453
377
500
419
3.
Interferencia:
Baja
Media
Alta
B.
Grosor de la pared
Delgada
Media
Gruesa
C.
Media
Profunda
D.
Porciento de Adhesivo
Medio
Alto
Bajo
Factores no controlables:
E.
Tiempo Condicionamiento
24 hrs.
120 hrs.
F.
Temperatura Condicionamiento 72
150 F
75 %
25
B
1
2
3
1
2
3
1
2
3
C
1
2
3
2
3
1
3
1
2
D
1
2
3
3
1
2
2
3
1
1
15.6
15.0
16.3
18.3
19.7
16.2
16.4
14.2
16.1
2
9.5
16.2
16.7
17.4
18.6
16.3
19.1
15.6
19.9
3
16.9
19.4
19.1
18.9
19.4
20.0
18.4
15.1
19.3
4
19.9
19.2
15.6
18.6
25.1
19.8
23.6
16.8
17.3
5
19.6
19.7
22.6
21.0
25.6
14.7
16.8
17.8
23.1
6
19.6
19.8
18.2
18.9
21.4
19.6
18.6
19.6
22.7
7
20.0
24.2
23.3
23.2
27.5
22.5
24.3
23.2
22.6
8
19.1
21.9
20.4
24.7
25.3
24.7
21.6
24.2
28.6
impactos
en
el
contenido
de
humedad
en
carne
A (A)
0
0
0
1
1
1
2
2
2
B (B)
0
1
2
0
1
2
0
1
2
AB (AB)
0
1
2
1
2
0
2
0
1
AB (AB)
0
1
2
2
0
1
1
2
0
E
0
0
1
1
F
0
1
0
1
G
0
1
1
0
18.5
16.8
21.1
20.2
21.2
17.3
21.8
17.7
20.5
20.9
20.8
19.8
19.3
18.5
19.4
20.8
5
6
7
8
9
16.2
18.3
20.6
17.5
20.4
21.5
18.5
21.4
20.0
18.8
21.2
17.8
16.9
21.0
19.6
21.4
17.2
19.5
20.4
18.3
Columna
EF
EG
Las otras dos columnas del arreglo L8 pueden ser asignadas al error
experimental.
Mostrar el diseo de parmetros completo. Calcular las respuestas
promedio y la razn seal a ruido apropiada. Graficar los promedios de las
razones seal a ruido y las respuestas promedio y discutir como van a ser
seleccionados los niveles ptimos de los factores.
Use las graficas de respuestas promedio para determinar la existencia de
los efectos de interaccin AE, BF, EF y EG.
1
2
3
4
5
6
7
8
1
19.3
20.6
18.3
20.8
18.7
21.1
17.5
20.4
2
20.2
18.5
20.7
21.2
19.8
20.2
18.3
21.2
3
19.1
20.2
19.4
20.2
19.4
22.4
20.0
22.4
4
18.4
19.4
17.6
19.9
17.2
20.5
18.8
21.9
5
21.1
20.1
20.4
21.7
18.5
18.7
20.2
21.5
6
20.6
16.3
17.3
22.2
19.7
21.4
17.7
20.8
7
19.5
17.2
18.2
20.4
18.8
21.8
17.9
22.5
8
18.7
19.4
19.2
20.6
18.4
20.6
18.2
21.7
18.0
20.2
17.6
22.4
17.2
21.6
18.5
19.2
X2
1
-1
1
-1
0
0
-1.414
1.414
0
0
0
0
0
Y
54
45
32
47
50
53
47
51
41
39
44
42
40
Codif X2
-1
-1
-1
-1
1
Codif X3
-1
-1
1
1
-1
Resp Y
-1
1
-1
1
-1
66
70
78
60
80
1
1
1
-1.682
1.682
0
0
0
0
0
0
0
0
0
0
-1
1
1
0
0
-1.682
1.682
0
0
0
0
0
0
0
0
1
-1
1
0
0
0
0
-1.682
1.682
0
0
0
0
0
0
70
100
75
100
80
68
63
65
82
113
100
118
88
100
85
El anlisis de los datos se lleva a cabo por medio de regresin del ajuste del
modelo de segundo orden. El anova del modelo completo es mostrado en la
siguiente tabla:
ANLISIS DE
VARIANZA
Grados de
libertad
Regresin
9
Residuos
10
Total
19
Suma de
cuadrados
3661.97123
1860.97877
5522.95
Promedio de los
Valor crtico
cuadrados
F
de F
406.885692 2.18640695 0.11943925
186.097877
2
17
Suma de
cuadrados
3087.06694
2435.88306
12
5
19
1576.55497
859.33333
5522.95
Promedio de los
Valor crtico
cuadrados
F
de F
1543.53347 10.7723024 0.00095088
143.287239
131.37914 0.76442482
171.86666
0.67603346
Coeficiente
s
Error tpico
Intercepcin
97.58157 4.1440598
codif x2^2
-12.05327 3.13701026
codif x3^2
-9.225547 3.13701026
Estadstico Probabilida
t
d
23.5473372 2.0442E-14
-3.8422819 0.00130536
-2.9408725 0.00913491
Variable
Nat.
Var. Codif
Var Codif
Resp
1
80
80
90
90
85
85
85
85
85
92.07
77.93
85
85
2
170
180
170
180
175
175
175
175
175
175
175
182.07
167.93
x1
-1
-1
1
1
0
0
0
0
0
1.414
-1.414
0
0
x2
-1
1
-1
1
0
0
0
0
0
0
0
1.414
-1.414
Y
76.5
77
78
79.5
79.9
80.3
80
79.7
79.8
78.4
75.6
78.5
77
Suma de
cuadrados
28.2467034
0.49637349
28.7430769
Promedio de los
cuadrados
5.64934069
0.0709105
F
79.668607
Valor crtico
de F
5.147E-06
Intercepcin
x1
x2
x1^2
x2^2
x1*x2
Coeficientes
79.9399546
0.99505025
0.5152028
-1.37644928
-1.001336
0.25
Error tpico
0.11908862
0.09415493
0.09415493
0.10098417
0.10098417
0.13314513
Probabilida
Estadstico t
d
671.264433 4.3003E-18
10.5682224 1.4845E-05
5.47186207 0.00093401
-13.6303472
2.693E-06
-9.91577205
2.262E-05
1.8776504 0.10251919
x2
Vida Herr.
154
132
166
83
156
144
166
91
167
175
170
176
156
170
Suma de
cuadrados
10955.1767
102.251895
260
362.251895
11317.4286
Promedio de los
Valor crtico
cuadrados
F
de F
2191.03534 48.3870007 9.1102E-06
34.083965 0.65546086 0.61339158
52
45.2814869
Intercepcin
x1
x2
x1^2
x2^2
x1*x2
Coeficientes
169.016235
6.74374879
26.5151515
-10.756724
-21.9855591
-15.25
Error tpico
2.7471226
2.3784531
2.39110005
2.47325855
2.5138815
3.36457601
Probabilida
Estadstico t
d
61.5248242 5.4139E-12
2.83535076 0.02196856
11.0891016 3.9035E-06
-4.3492113 0.00244787
-8.74566247 2.2867E-05
-4.53251761
0.001918